王时雨, 张盛兵, 黄小平, 常立博

(西北工业大学 计算机学院, 陕西 西安 710072)

近年来，随着卫星遥感成像技术以及深度学习技术的不断发展，在轨遥感AI(artificial intelligence)平台成为智能遥感领域的重要发展方向。星载合成孔径雷达(SAR)系统中的SAR遥感图像处理(GMTIm)和地面目标指示(GMTI)在民用和军事应用中受到越来越多的关注[1]。

智能遥感图像相关领域主要包括星载SAR实时成像和图像的神经网络模型实时处理两大任务模块。目前，SAR成像的常用算法主要有CSA(chirp-scaling algorithm)[2]。CSA能够确保成像的准确度，而且可以适应不同的雷达扫描模式，例如，聚束模式(spotlight)、条带模式(stripmap)、扫描模式(scanSAR)[3]。并且CSA具有操作过程简单，计算复杂度低，成像效率高的优点。在SAR图像目标识别领域，深度学习表现出了突出的优势。卷积神经网络(CNN:convolution neural network)已广泛应用于在轨遥感平台[4]。在分析遥感图像的几何、纹理和空间分布特征时，CNN在计算效率和分类精度方面显示出其突出的优势[5]。循环神经网络(RNN:recurrent neural network)可用于时间变量相关的建模和预测，如LSTM(long short-term memory)[6]建立的水文模型。与此同时，混合神经网络(H-NN:hybrid neural networks)结合了CNN和RNN 2种网络模型特点，优势更为明显[7]，并已经在遥感领域取得了巨大的成就。

SAR成像算法经过长期的发展基本已经成熟稳定，遥感领域中所应用的神经网络模型也主要以CNN和RNN为主，或者H-NN模型结构。针对遥感成像和智能处理中的大量并行计算，一般研究人员通常采用CPU+GPU的方案进行计算加速[8]，但是星上工作环境对在轨AI平台低功耗的要求苛刻。根据多样化计算任务……